論文の概要: Word Similarity Datasets for Indian Languages: Annotation and Baseline Systems

• arxiv url: http://arxiv.org/abs/2609.34138v1
• Date: Mon, 28 Sep 2026 02:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:37:29.023361
• Title: Word Similarity Datasets for Indian Languages: Annotation and Baseline Systems
• Title（参考訳）: インド語の単語類似性データセット:アノテーションとベースラインシステム
• Abstract要約: 6言語からなる単言語単語類似性データセットを手作業で提案する。 これらの言語はウルドゥー語、テルグ語、マラティー語、パンジャービ語、タミル語、グジャラート語である。 これらのデータセットの構築には、英語の単語類似性データセットの翻訳と再注釈に頼っている。
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the advent of word representations, word similarity tasks are becoming increasing popular as an evaluation metric for the quality of the representations. In this paper, we present manually annotated monolingual word similarity datasets of six Indian languages - Urdu, Telugu, Marathi, Punjabi, Tamil and Gujarati. These languages are most spoken Indian languages worldwide after Hindi and Bengali. For the construction of these datasets, our approach relies on translation and re-annotation of word similarity datasets of English. We also present baseline scores for word representation models using state-of-the-art techniques for Urdu, Telugu and Marathi by evaluating them on newly created word similarity datasets.
• Abstract（参考訳）: 単語表現の出現に伴い、単語の類似性タスクは表現の質を評価する指標として人気が高まっている。 本稿では,ウルドゥー語,テルグ語,マラティー語,パンジャービ語,タミル語,グジャラート語の6言語からなる単言語単語類似性データセットを手作業で提示する。 これらの言語はヒンディー語やベンガル語に次いで世界中で話されている言語である。 これらのデータセットの構築には、英語の単語類似性データセットの翻訳と再注釈に頼っている。 また,新たに作成した単語類似度データセットを用いて,Urdu,Telugu,Marathiの最先端技術を用いて,単語表現モデルのベースラインスコアを示す。

関連論文リスト

• BhashaVerse : Translation Ecosystem for Indian Subcontinent Languages [4.1101087490516575]
  本稿では,36言語を対象とした翻訳モデルとその関連アプリケーションの開発に焦点をあてる。 スクリプトのバリエーション、音声の違い、構文の多様性といった課題に対処する。 既存の資源を活用し、並列データセットを開発し、ドメイン固有のコーパスを生成し、合成データ技術を利用するコーパス作成戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-05T17:10:19Z)
• Navigating Text-to-Image Generative Bias across Indic Languages [53.92640848303192]
  本研究ではインドで広く話されているIndic言語に対するテキスト・ツー・イメージ(TTI)モデルのバイアスについて検討する。 これらの言語における主要なTTIモデルの生成的パフォーマンスと文化的関連性を評価し,比較する。
  論文  参考訳（メタデータ） (2024-08-01T04:56:13Z)
• SemRel2024: A Collection of Semantic Textual Relatedness Datasets for 13 Languages [44.017657230247934]
  textitSemRelは13言語にまたがるネイティブスピーカーによって注釈付けされた新しいセマンティック関連データセットである。 これらの言語は5つの異なる言語族の出身であり、主にアフリカとアジアで話されている。 SemRelデータセットの各インスタンスは、2つの文間の意味的テキスト関連性の度合いを表すスコアに関連付けられた文対である。
  論文  参考訳（メタデータ） (2024-02-13T18:04:53Z)
• Machine Translation by Projecting Text into the Same Phonetic-Orthographic Space Using a Common Encoding [3.0422770070015295]
  本稿では,言語類似性を利用した共通多言語ラテン文字符号化(WX表記法)を提案する。 提案手法を類似言語対の実験により検証する。 また、遠距離とゼロショットの言語ペアで最大1BLEUポイントの改善も行います。
  論文  参考訳（メタデータ） (2023-05-21T06:46:33Z)
• Utilizing Wordnets for Cognate Detection among Indian Languages [50.83320088758705]
  ヒンディー語と10のインド諸語間の単語対を検出する。 深層学習手法を用いて単語対が共生か否かを予測する。 性能は最大26%向上した。
  論文  参考訳（メタデータ） (2021-12-30T16:46:28Z)
• Challenge Dataset of Cognates and False Friend Pairs from Indian Languages [54.6340870873525]
  コニャートは異なる言語で同じテキストの複数の変種に存在する。 本稿では,12言語を対象とした2つのコグネートデータセットの作成について述べる。
  論文  参考訳（メタデータ） (2021-12-17T14:23:43Z)
• Harnessing Cross-lingual Features to Improve Cognate Detection for Low-resource Languages [50.82410844837726]
  言語間単語埋め込みを用いた14言語間のコニャートの検出を実証する。 インドの12言語からなる挑戦的データセットを用いて,コニャート検出手法の評価を行った。 我々は,コグネート検出のためのFスコアで最大18%の改善点を観察した。
  論文  参考訳（メタデータ） (2021-12-16T11:17:58Z)
• HinFlair: pre-trained contextual string embeddings for pos tagging and text classification in the Hindi language [0.0]
  HinFlairは、巨大な単言語Hindiコーパスで事前訓練された言語表現モデル(コンテキスト文字列埋め込み)である。 結果は、HinFlairが、テキスト分類やposタグ付けといった下流タスクのために、既存の最先端の公開トレーニング済みの埋め込みよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-01-18T09:23:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。